《多尺度在聚类算法中的应用》.pptVIP

重点内容： 多尺度现象 多尺度含义及模型概述 多尺度在聚类算法中的应用 信息是指事物发出的各种可能感知的东西中含有的有意义的内容，可以被识别、转换、存储、传递、生产及共享，其产生、传递、接收及存储均离不开物理载体。 然而，在不同的尺度下，信息的表现不尽相同，信息的特征也依赖于所考察的尺度空间，多尺度为信息或信息特征的描述提供了一个有效的方式。 多尺度现象 最基本的多尺度现象就是在不同的尺度上信号会有不同的构成成份 E-1 含有大尺度边界及小尺度纹理 多尺度含义 传统意义下的制图比例尺或地图比例尺 地理范围或研究问题的域 空间分辨率，空间数据集中最小可分部分的尺度 研究对象的尺度 四种含义： 多尺度研究出发点 所研究对象或过程具有多尺度特征或多尺度效应 观测信号是在不同尺度上得到的 利用多尺度算法往往可以获得更多信息，从而降低问题的不确定性及复杂性 三个基本出发点： 多尺度谱聚类算法 谱聚类算法建立在图理论基础上，与传统的聚类算法相比，具有能在任意形状的样本空间上聚类并收敛于全局最做优解的优点 谱聚类算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵，并计算矩阵的特征值和特征向量，然后选择合适的特征向量聚类不同的数据点 传统谱聚类算法 谱聚类算法将数据集中的每个对象看成图的顶点V，将顶点间的相似性度量作为相应顶点连接边E的权值，因此聚类问题就转化为图的划分问题，其划分准则就是使划分成的子图内部相似度最大，子图间的相似度最小 传统谱聚类算法步骤 构建表示对象集的相似度矩阵W 通过计算相似度矩阵或拉普拉斯矩阵的前k个特征值与特征向量，构建特征向量空间 利用K-Means或其它聚类算法对特征向量空间进行聚类 多尺度谱聚类算法步骤 初始化k个聚类中心c1,c2,…,ck 计算数据点x与聚类中心ci的距离(引入了多尺度调节参数) 对每个中心ci,根据步骤2将数据点x分配到最近的聚类中心 更新聚类中心，到所有的点都分配到最近的聚类中心 * * * * * * * * * * * * * * * * * *